用现成工具或 AI 搭一个情感分析、主题提取的流程，门槛已经很低。立正在课程里把 AI 使用分成不同层次：会用现成工具、能用 AI 编程工具完成自己的事、能在复杂工作中可靠地用 AI、能构建 AI 系统⁠1。搭一个能出结果的框架，大概落在前两层；而“结果可不可信、该不该采用”属于更高一层的能力。这正是 NLP 基础可能派上用场的地方，但这是 AI 基于他分层框架的推演，不是他直接谈 NLP 学习的原话。

立正强调，面对新模型和新工具，关键能力是判断哪些是真正的信号、哪些只是热闹，并用自己真实业务中的任务去测工具，而不是照搬网上的模板⁠2。他还提到，非程序员常遇到的问题是“不知道自己不知道什么”，有经验的人对问题是否可解、难在哪里有直觉⁠3。把这两点放到 NLP 上：知道情感分析的标签体系、语料偏差、否定句和反讽为什么容易出错，能帮你判断一个看起来不错的结果在什么条件下不可靠。这是 AI 的综合应用，不是原文对 NLP 课程的结论。

如果你的用途是内部快速看评论倾向、做初步筛选，可以先不系统学 NLP，直接用工具跑，再用真实样本抽查错误。如果你要把结果交给业务决策、处理领域术语多的评论，或需要解释“为什么模型判错了”，就值得补最基础的部分：文本预处理、评价指标、常见失败模式。立正也提醒，不要被热词牵着走，要先弄清一个概念到底解决什么问题⁠4。这条原则同样适用于决定要不要学 NLP 基础。

岗位把三项任务连在一起，不是要求研究新模型。对没有 NLP 经验的 CS 毕业生，合理深度是：懂文本预处理与常见表示，能调用或微调分类与抽取模型，会做标注与评估，能把单条结果聚合成主题分布或情绪趋势。关键是能说清情感分数在反讽、否定、领域词上会错，并拿小样本验证。这是 AI 按岗位描述作的推演，具体门槛取决于该公司数据与面试要求。

出处 1

立正提到，认真按 job post 写出一份像样申请的人大约只有 2%，而有 GitHub、有持续 commit、且有一个值得拿出来说的项目的人可能已筛到 1% 以下⁠1。他谈的是求职筛选的体感，不是对 NLP 深度的要求。可迁移的做法是照岗位三项任务做一个小项目：抓一批评论，做主题与情感标注，训练或调用分类器，输出聚合趋势，并写清错误案例与改进。

立正署名文章主张有效路径不是“先完全学会再使用”，而是在使用中逐步升级：先做几个关键判断，把高频任务迁移到 AI，再沉淀第一次成功经验⁠2。他在对话中也说 AI 是 craft，必须上手做才有体感，光听课或刷内容不够⁠3。对你意味着：先跑通流水线，遇到评估失真、类别不平衡、领域词失效时再补对应基础。

立正用一个数据筛查案例讲过分工：格式不对、字段缺失、重复、时间不合理这类确定性判断，应该用程序（可以让 AI 帮忙写脚本）处理；只有规则不够用、需要看上下文和多个字段关系的那部分，才交给 AI⁠1。他还强调 AI 不应假装做最终裁判，而要把不确定的部分交给人看，并用成功/失败案例和 precision/recall 持续校准⁠1。放到你的数据预处理上：清洗、去重、格式校验先写成脚本；AI 更适合做模糊判断，比如可疑样本初筛、标注辅助。这是 AI 基于该分工对你场景的推演。

立正把 AI 能力分成几级：会用 AI 聊天是第一级，会摆弄是第二级，第三级是真正做出东西并能自己迭代——能部署、出 bug 能修、能解决复杂问题，而不只是 toy project⁠2。他还说，拿到 offer 靠的是积累，需要真的做过一个深度项目、有具体过程和体会，表达框架只能帮你重新组织已有经历⁠3。所以“用 AI 搭框架”本身不是问题，问题是你能否说清这条链怎么搭、哪里会坏、你怎么发现并修好。

按岗位描述那条链（主题与情感抽取→文本分类→聚合信号），你可以用 AI 加速写代码和搭原型，但自己要能解释每一步的判断标准。一个可操作的起点：拿一批真实评论，先用脚本做清洗，再让 AI 做情感/主题初判，然后人工抽查一部分，记录 AI 判错的地方，并据此改 prompt 或规则⁠1。这套“初判—人工核对—回改”的过程本身就是面试可讲的案例，也是立正所说“把判断力沉淀进系统”的具体形态⁠3。注意这是 AI 给你的应用建议，不是原文对求职结果的承诺。